Asphalt Pavement Damage Detection through Deep Learning Technique and Cost-Effective Equipment: a Case Study in Urban Roads Crossed by Tramway Lines
Loading...
Date
2024
Journal Title
Journal ISSN
Volume Title
Publisher
MDPI
Abstract
ENG: Asphalt pavements are subject to regular inspection and maintenance activities over time. Many techniques have been suggested to evaluate pavement surface conditions, but most of these are either labour-intensive tasks or require costly instruments. This article describes a robust intelligent pavement distress inspection system that uses cost-effective equipment and the ‘you only look once’ detection algorithm (YOLOv3). A dataset for flexible pavement distress detection with around 13,135 images and 30,989 bounding boxes of damage was used during the neural network training, calibration, and validation phases. During the testing phase, the model achieved a mean average precision of up to 80%, depending on the type of pavement distress. The performance metrics (loss, precision, recall, and RMSE) that were applied to estimate the object detection accuracy demonstrate that the technique can distinguish between different types of asphalt pavement damage with remarkable accuracy and precision. Moreover, the confusion matrix obtained in the validation process shows a distress classification sensitivity of up to 98.7%. The suggested technique was successfully implemented in an inspection car. Measurements conducted on urban roads crossed by tramway lines in the city of Palermo proved the real-time ability and great efficacy of the detection system, with potentially remarkable advances in asphalt pavement examination efficacy due to the high rates of correct distress detection.
UKR: Асфальтне покриття з часом підлягає регулярному огляду та ремонту. Було запропоновано багато методів для оцінки стану поверхні тротуарів, але більшість із них є або трудомісткими завданнями, або потребують дорогих інструментів. У цій статті описано надійну інтелектуальну систему перевірки пошкоджень тротуарів, яка використовує економічно ефективне обладнання та алгоритм виявлення «дивишся лише один раз» (YOLOv3). Набір даних для гнучкого виявлення пошкоджень тротуарів із приблизно 13 135 зображеннями та 30 989 обмежувальними прямокутниками пошкоджень використовувався на етапах навчання, калібрування та перевірки нейронної мережі. Під час фази тестування модель досягла середньої точності до 80%, залежно від типу пошкодження тротуару. Показники ефективності (втрата, точність, відкликання та RMSE), які були застосовані для оцінки точності виявлення об’єктів, демонструють, що ця техніка може розрізняти різні типи пошкоджень асфальтового покриття з надзвичайною точністю. Крім того, матриця плутанини, отримана в процесі перевірки, показує чутливість класифікації проблем до 98,7%. Запропонована методика була успішно реалізована в автомобілі огляду. Вимірювання, проведені на міських дорогах, які перетинають трамвайні лінії в місті Палермо, довели можливість роботи в режимі реального часу та високу ефективність системи виявлення, з потенційно значним прогресом у ефективності перевірки асфальтового покриття завдяки високим показникам правильного виявлення аварії.
UKR: Асфальтне покриття з часом підлягає регулярному огляду та ремонту. Було запропоновано багато методів для оцінки стану поверхні тротуарів, але більшість із них є або трудомісткими завданнями, або потребують дорогих інструментів. У цій статті описано надійну інтелектуальну систему перевірки пошкоджень тротуарів, яка використовує економічно ефективне обладнання та алгоритм виявлення «дивишся лише один раз» (YOLOv3). Набір даних для гнучкого виявлення пошкоджень тротуарів із приблизно 13 135 зображеннями та 30 989 обмежувальними прямокутниками пошкоджень використовувався на етапах навчання, калібрування та перевірки нейронної мережі. Під час фази тестування модель досягла середньої точності до 80%, залежно від типу пошкодження тротуару. Показники ефективності (втрата, точність, відкликання та RMSE), які були застосовані для оцінки точності виявлення об’єктів, демонструють, що ця техніка може розрізняти різні типи пошкоджень асфальтового покриття з надзвичайною точністю. Крім того, матриця плутанини, отримана в процесі перевірки, показує чутливість класифікації проблем до 98,7%. Запропонована методика була успішно реалізована в автомобілі огляду. Вимірювання, проведені на міських дорогах, які перетинають трамвайні лінії в місті Палермо, довели можливість роботи в режимі реального часу та високу ефективність системи виявлення, з потенційно значним прогресом у ефективності перевірки асфальтового покриття завдяки високим показникам правильного виявлення аварії.
Description
L. Neduzha: ORCID 0000-0002-7038-3006,
M. Guerrieri: ORCID 0000-0002-0813-1799
Keywords
asphalt pavement, distress detection, deep learning, urban roads, асфальтове покриття, виявлення проблем, глибоке навчання, міські дороги, ТМ
Citation
Guerrieri M., Parla G., Khanmohamadi M., Neduzha L. Asphalt Pavement Damage Detection through Deep Learning Technique and Cost-Effective Equipment: A Case Study in Urban Roads Crossed by Tramway Lines. Infrastructures. 2024. Vol. 9, Iss. 2. DOI: 10.3390/infrastructures9020034.